大作业-基于PCA故障诊断.docVIP

PAGE 1 基于主元分析（PCA） 的故障诊断 小组成员: 日期：  目录 TOC \o 1-3 \h \z \u 1. 运用PCA方法的前提 2 2. PCA方法的基本理论 2 2.1 思路概述 2 2.2 基本理论 2 3. 利用PCA方法进行故障诊断的步骤 4 3.1 建立正常工况的主元模型 4 3.2 在线故障检测与诊断 4 4. PCA的局限性或优缺点 4 5. 基于TE过程的故障诊断 4 5.1 TE过程简介 4 5.2 基于PCA的故障诊断 6 5.2.1 仿真的参数设置 6 5.2.2 仿真结果 6 5.3 仿真总结 12 6. 总结 12 参考文献 13 附录 14  1. 运用PCA方法的前提 样本观测相对独立 潜在变量服从高斯分布 2. PCA方法的基本理论 2.1 思路概述 PCA方法是将高维过程数据投影到正交的低维子空间，并保留主要过程信息。而在几何上，把样本构成的坐标系，通过某种线性组合旋转到新的坐标空间，新的坐标轴代表了具有最大方差的方向[[] [] 周东华，李钢，李元．数据驱动的工业过程故障诊断技术—基于主元分析与偏最小二乘的方法[M]．北京：科学出版社，2011． 2.2 基本理论 假设代表一个包含了m个传感器的测量样本，每个传感器各有n个独立采样，构造出测量数据矩阵 ，其中每一列代表一个测量变量，每一行代表一个样本。 对数据矩阵进行协方差分解，并选择主元的个数 X的协方差矩阵为 ，对其进行特征值分解，并且按照特征值的大小降序排序，如下： 其中，是一个对角阵，也是S的特征值矩阵，而且其对角线上的元素满足；是S的特征向量矩阵，维数为m x m，是的前A列，包含所有主元的信息，是余下的m-A列，包含非主元信息。 将原数据进行分解，得到主元子空间和残差子空间 对X进行特征值分解以后，X可以分解如下： 其中，，被称为主元子空间；，被称为残差子空间；，被称为得分矩阵；被称为负载矩阵，由S的前A个特征向量构成。 故障检测的两个指标或判据 下面提到的 x 是新采集的样本，维数为m x 1。 SPE统计量 SPE指标衡量样本向量在残差空间的投影的变化 其中，表示置信度为的控制限。 常用的计算公式如下： 其中，，为X的协方差矩阵的特征值，为标准正态分布在置信度为下的阈值。 统计量 Hotellings 统计量衡量样本向量在主元空间的变化 其中，，为置信度为的控制限。 控制限的常用计算方法如下： 其中，是带有A和n-A个自由度、置信度为的F分布值。 计算贡献率 下面提到的 x 是新采集的样本，维数为m x 1。 P是负载矩阵。 最常用的贡献图的统计量是SPE和。 基于SPE的贡献图定义如下： 其中，表示每个变量对SPE统计量的贡献值，，表示单位矩阵I的第i列。 基于的贡献图的定义如下： 其中，（因为这里是参考书籍，所以与实际程序并不相符），其余同SPE贡献图的定义。 当检测到故障后，贡献图中较大的变量被认为是可能造成故障的变量。但需要具有过程背景 知识的人员确定最终的故障原因。 3. 利用PCA方法进行故障诊断的步骤 3.1 建立正常工况的主元模型 Step 1 将正常样本数据进行标准化，变换为均值为0，方差为1的标准数据集 Step 2 对Step 1中的标准数据集，建立PCA主元模型，提取主元 Step 3 计算Step 1中的标准数据集的PCA模型的统计量及相应的控制限 3.2 在线故障检测与诊断 Step 1 在线采集数据，从采样中获得新的数据x，并进行标准化 Step 2 对标准化后的数据，计算统计量和SPE统计量，监控其数据是否超过正常状态的控制限。若没有超限，重复Step 1，否则进入Step 3。 Step 3 计算每个过程变量对统计量和SPE统计量的贡献率，贡献率最大的变量就是可能引起故障的变量。 4. PCA的局限性或优缺点 PCA方法理论基础简单，适合处理多变量统计问题，而且完全基于系统传感器的测量数据，工程应用容易实现。 但是其未考虑变量间的相关性，可能会丢失一些信息；另外，对于非正态分布的数据，非线性的数据，不能很好的进行故障诊断；而且其诊断出来的故障物理意义不明确，难于解释。 5. 基于TE过程的故障诊断 5.1 TE过程简介 TE过程模型，是根据实际化工过程的建立的模型，其已经被广泛的用作进行控制与监控研究的基准过程（Benchmark Process），图5-1展示了这个过程的流程图。该过程共包含5个主要单元（反应器、冷凝器、压缩机、分离器、汽提塔）。TE过程是通过4种反应物产生2中产物，同时还有一种惰性产物和一种副产物，共8种成分。由于专利的原因，他们分别被命